🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

헤르메스 에이전트 5개를 뉴스 큐레이션·커뮤니티 운영·콘텐츠 제작·이메일 응대·주식 매매에 각각 배치하고, 사람의 검수와 피드백을 남겨 자동화 범위를 단계적으로 확장한 사례다.

📌 핵심 요점

1. 뉴스 큐레이션 에이전트는 정해진 소셜 계정의 최근 게시물을 크론잡으로 수집하고, 이용자 수준에 맞춰 요약한 뒤 카카오톡으로 전달한다. 중복·저품질 후보는 아직 사람이 제거하며, 이 피드백을 메모리와 스킬 규칙에 반영해 선별 품질을 높인다.
2. 커뮤니티 운영 에이전트는 회원의 구매 금액과 레벨에 따른 클래스룸 권한을 관리하고 콘텐츠 업로드를 보조한다. 옵시디언에 정리된 강의 자료와 사업 노하우는 회원 질의응답과 개인 사업 상담의 지식 근거로 활용된다.
3. 콘텐츠 제작 에이전트는 성과가 좋았던 글, 유튜브 대본, 채널 지표와 참고 영상을 결합해 다음 주제와 초안을 추천한다. 유튜브 자막과 기존 작성 스타일도 재가공에 활용하지만, 게시 여부와 최종 품질 판단은 사람이 담당한다.
4. 이메일 에이전트는 반복적으로 들어오는 광고 문의의 답장 초안을 작성해 임시보관함에 저장한다. 외부 발송 권한은 운영자에게 남겨 두어 작성 시간은 줄이면서 잘못된 자동 발송 위험을 통제한다.
5. 트레이딩 에이전트는 개별 종목보다 섹터와 ETF, 거시경제와 시장 분위기를 중심으로 진입·청산 여부를 판단한다. 잔고·이전 주문·시장 상황·사전 규칙을 확인한 뒤 주문 단계로 넘어가며, 규칙에 어긋나는 감정적 매수 요구는 거절하도록 설계됐다. 다만 영상에서 개발 약 3일 차의 초기 실험으로 소개됐으므로 실제 수익성과 안정성은 별도 검증이 필요하다.

🧩 배경과 문제 정의

• 1인 크리에이터이자 사업 운영자는 뉴스 큐레이션, 회원 관리, 지식 상담, 콘텐츠 제작, 이메일 응대, 투자 판단처럼 성격이 서로 다른 업무를 동시에 처리해야 한다.
• 모든 업무를 처음부터 복잡한 멀티에이전트로 구성하기보다, 반복 패턴이 분명한 업무를 단일 에이전트로 자동화하고 필요할 때만 역할을 추가하는 방식이 비용과 관리 부담을 줄인다.
• 완전 자동화보다 인간의 검수와 피드백을 남겨 두는 운영 방식이 중요하다. 헤르메스는 이 피드백을 개인의 선호와 작업 규칙으로 기억하고, 반복 작업의 결과를 점진적으로 개선하는 데 활용한다.

🕒 시간순 섹션별 상세정리

1. 개인 업무 자동화의 설계 원칙

• 조직용 도구라는 인식과 달리, 혼자 일하는 환경에서도 헤르메스를 반복 업무를 줄이고 콘텐츠·사업 운영을 보조하는 개인 시스템으로 활용할 수 있다. [01:30]
• 처음에는 슬랙의 단일 에이전트로 패턴이 뚜렷한 워크플로를 자동화하고, 업무 규모가 커져 별도 역할이 필요해질 때만 멀티에이전트 구조로 확장한다. [02:15]

2. AI 뉴스와 소셜 콘텐츠 큐레이션

• 첫 번째 에이전트는 AI 뉴스와 소셜 계정의 글을 수집해 카카오톡으로 보내며, 초보자와 숙련자가 함께 있는 채팅방에 맞춰 요약 난도를 조절한다. [03:54]
• 현재는 사람이 후보를 확인해 중복되거나 품질이 낮은 항목을 제거하지만, 반복 패턴이 안정되면 완전 자동화할 수 있는 단계로 보여준다. [04:22]

3. 커뮤니티 회원과 콘텐츠 관리

• 두 번째 에이전트는 B2C 커뮤니티 회원 관리를 맡아, 자연어 명령으로 특정 회원의 클래스룸 권한을 열고 내부 콘텐츠를 업로드한다. [05:32]
• 범용적인 대규모 운영 시스템을 만들기보다 현재 필요한 회원 관리 기능에 범위를 제한해 1인 커뮤니티에 맞는 비용과 복잡도를 유지한다. [05:49]

4. 위키 기반 상담과 AI 강사

• 강의 자료와 해외 비즈니스 노하우를 옵시디언 마크다운 및 YAML 프런트매터로 관리하고, 이를 커뮤니티 질의응답과 개인 사업 상담의 지식 근거로 활용한다. [06:49]
• 기술은 있지만 도메인 지식이 부족한 창업자에게 곧바로 SaaS를 만들기보다 고객을 만나 니치를 찾고 에이전시부터 시작하는 경로를 제안한다. [07:11]

5. 성과 데이터 기반 콘텐츠 제작

• 세 번째 에이전트에는 반응이 좋았던 스레드 글, 유튜브 대본, 자체 유튜브 API 데이터와 참고 영상이 연결돼 있어 기존 스타일에 맞는 주제와 초안을 만들 수 있다. [09:35]
• 자동 게시까지 맡기지 않고 사람이 검수한 뒤 최종 결정을 내림으로써 제작 속도를 높이면서 콘텐츠 품질에 대한 통제권을 유지한다. [09:58]

6. 광고 이메일 초안 자동화

• 네 번째 에이전트는 반복적으로 들어오는 광고 문의에 대응할 답장 초안을 작성해 이메일 임시보관함에 저장한다. [11:13]
• 운영자가 쌓인 초안을 확인한 뒤 직접 발송하므로, 반복적인 작성 시간은 줄이되 외부 발송 권한은 사람에게 남겨 둔다. [11:24]

7. 시장 상황을 반영한 자동매매 실험

• 마지막 에이전트는 개발한 지 약 3일 된 자동매매 실험으로 소개되며, 개별 종목보다 섹터 수준의 거시 지식을 관리하고 시장 분위기가 좋지 않으면 매매를 중단하도록 설계됐다. [11:47]
• 대시보드와 뉴스를 바탕으로 매매 근거를 세우고 현재 진입해야 하는지 쉬어야 하는지를 판단해, 충동적인 주문보다 규칙 기반 의사결정을 보조한다. [12:23]

8. 정해진 계정과 크론잡으로 운영하는 큐레이션

• 목적별 대화 세션을 기록하고, 매일 오전 11시 45분에 실행되는 링크드인 수집 크론잡을 자연어 명령으로 미리 호출해 결과를 확인한다. [13:28]
• 수집 계정을 사전에 제한해 정보 피로를 줄이고, 카카오톡 이용자에게 쉽고 유용하면서 요약 품질이 좋은 글만 사람이 다시 선별한다. [13:55]

9. 계정 모니터링 기반 뉴스 큐레이션

• 맥락이 충분히 긴 게시물은 요약과 인포그래픽 제작에 적합해, 짧거나 정보량이 부족한 글보다 자동화 결과의 완성도를 높이기 쉽다. [15:00]
• 꾸준히 활동하는 크리에이터를 추적하기 위해 6~7개 계정을 나눠 오전 8시 45분과 11시 45분에 확인하고, 최근 24시간 이내 게시물을 탐지해 업로드한다. [15:20]

10. 카카오톡 CLI를 이용한 로컬 배포 자동화

• 영상에서는 KMSG가 스위프트 기반으로 추정된다고 보여준다. 로컬 카카오톡 권한을 허용하고 채팅방 ID를 헤르메스나 스킬에 고정하면 지정된 방을 검색해 메시지를 보낼 수 있으며, 정확한 구현 언어와 동작 조건은 별도 검증이 필요하다. [17:21]
• 별도 계정이 없을 때는 ‘나에게 보내기’를 활용할 수 있지만 영상에서 언급한 200자 제한과 KMSG의 이미지 전송 지원 여부는 사용 환경 및 버전에 따라 별도 확인이 필요하다. [18:29]

11. 유료 강의 지식 기반의 질의응답과 에이전시 확장 전략

• 에이전트는 정확한 명령어가 없어도 기존 맥락을 활용해 클래스룸 작업을 시작하며, 강의 자료를 근거로 에이전시 비즈니스의 확장 가능성에 관한 질문에도 답한다. [19:07]
• 첫 고객을 3개월 안에 확보한다는 목표를 세우고, 성공한 방식을 반복하면서 검증된 오퍼와 유통망을 역산해 반복 매출 구조를 만드는 전략을 제시한다. [19:55]

12. 클래스룸 권한과 멤버십 운영 자동화

• 과거에는 회원별 강의 권한을 하나씩 수동으로 열어야 했지만, 에이전트가 멤버십 상태와 클래스룸 권한을 함께 관리하면서 반복적인 클릭 작업을 줄였다. [21:11]
• 발표자는 사용 중인 스쿨 플랫폼에 필요한 API가 없어 기능을 직접 구현했으며, 회원의 구매 금액과 레벨에 라벨을 붙여 연결된 클래스룸 권한을 자동으로 켜고 끈다고 보여준다. [22:07]

13. 유튜브 자막을 활용한 콘텐츠 재가공

• 기존 유튜브 영상의 주요 장면을 캡처하고 헤르메스 사례에 맞는 시각 콘텐츠를 만드는 작업에는 약 30분이 걸려, 다른 작업보다 먼저 백그라운드에서 실행한다. [23:37]
• 더 빠르게 스레드를 만들 때는 확장 프로그램으로 유튜브 자막을 추출한 뒤, 축적된 작성 스타일에 맞춰 글을 재가공하도록 요청한다. [24:12]

14. 하네스와 메모리를 통한 글 품질 개선

• 발표자의 자체 평가에 따르면 단순히 스레드 작성을 요청한 결과는 50점 이하일 수 있지만, 기존 작성 스타일을 반영하면 약 85점 수준까지 높아진다. [25:11]
• 하네스에 선호 사항을 계속 전달하고 이를 단기·장기 기억에 할당하면 90점 수준의 글을 91점 이상으로 미세 조정할 수 있다고 설명하며, 해당 점수는 객관적 벤치마크가 아닌 발표자의 품질 평가로 봐야 한다. [25:24]

15. 우수 레퍼런스로 스킬을 만들고 퍼블리싱 품질을 축적하는 방법

• 성과가 좋았던 글 약 10개를 입력해 공통 패턴을 일반화하고 스킬로 만든 뒤, 새로운 세션에서도 비슷한 품질이 재현되는지 테스트한다. [26:34]
• 새 스킬의 초기 결과가 75점일지 85점일지는 미리 확정할 수 없으므로, 실제 산출물을 평가하고 메모리 수준의 피드백을 누적해 품질을 계속 높인다. [26:44]

16. 지표 기반 콘텐츠 추천과 제작 방식 결정

• 최근 업로드 영상, 누적된 비디오 지표, 아웃라이어와 매일 수집되는 영상을 함께 분석해 다음 콘텐츠 후보를 추천하며, 이 작업은 매일 오전 9시 15분에 실행된다. [28:53]
• 이론형 주제는 자동 생성한 비디오 대본으로 제작하고, 실전형 주제는 직접 공부하고 활용한 결과를 담으며, 기존 채널에서 성과가 좋았던 유형을 선택 기준으로 삼는다. [29:03]

17. 캐러셀 자동화의 한계와 콘텐츠 축적 전략

• 자동 생성 캐러셀은 스토리보드 작성과 화면 캡처까지 처리했지만 정보 밀도가 낮고 하단 텍스트가 빠져, 현재 스킬만으로는 추가 보정이 필요한 결과가 나왔다. [30:20]
• 캐러셀은 카피라이팅의 비중이 크기 때문에 하나의 스킬에 모든 작업을 맡기기보다 여러 스킬을 계층적으로 결합해야 완성도를 높일 수 있다고 본다. [30:55]

18. 실전 경험을 축적하는 트레이딩 에이전트

• Codex로 개발한 트레이딩 하네스를 헤르메스와 연결해 정찰·분석·실행·검증을 포함한 트레이딩 보좌 임무를 맡긴다. [33:05]
• 실제 거래와 매매일지를 통해 손실 사례까지 경험으로 축적하게 하고, 장기적으로 매매 전략과 승률이 어떻게 달라지는지 지속적으로 모니터링하는 실험이다. [33:20]

19. 주문 전 검증하는 결정론적 매매 절차

• 매매 요청이 들어오면 업무 경계, 보유 잔고, 이전 주문, 거시경제 시황을 차례로 점검하고 사전에 정의한 조건을 모두 통과한 경우에만 실행 단계로 이동한다. [35:33]
• 장이 열리기 전에 매수·매도 여부와 라이브 주문 가능성을 판단하며, 이처럼 조건과 순서가 명확한 결정론적 실행 영역은 Codex로 대부분 구현한다. [35:51]

20. 코딩 에이전트와 헤르메스의 역할 분리

• Codex나 Claude Code로 기능을 완성한 뒤 헤르메스 온보딩용 핸드오프 문서를 만들고, 헤르메스는 그 정보를 기억하면서 사용자와 자연어 협업을 이어간다. [36:14]
• 발표자는 에이전트 품질을 강한 LLM·좋은 도구·기억의 조합으로 보여준다. 도구 제작은 코딩 에이전트가, 장기·단기 기억을 활용한 지속적 협업은 헤르메스가 담당한다. [36:46]

21. 장기 기억과 자기 개선 루프

• 헤르메스는 장기·단기 기억을 관리하고 일정 기간이 지나면 유용한 기억을 선별해 스킬로 발전시켜, 반복 업무에서 얻은 경험을 다음 작업에 활용한다. [37:19]
• 백그라운드 자기 진화 기능은 AI로 만든 스킬을 중심으로 작동하며, 필요할 때 크리에이터 실행이나 드라이런을 통해 별도의 큐레이션 작업을 시작할 수 있다고 보여준다. [37:46]

22. 온톨로지를 활용한 투자 판단 고도화

• TQQQ 매매 판단에 인과 그래프와 온톨로지를 결합해 사고 구조를 정리하고, 해야 할 일·피해야 할 일·보고서를 점검하면서 에이전트의 성장 상태를 관리한다. [38:25]
• 섹터 배분과 진입·청산 판단이 섞인 퀀트 업무에는 반복 작업이 많아, 에이전트가 개인 투자자의 분석과 운용에 드는 시간을 줄일 가능성이 있다고 본다. [38:54]

23. 감정 통제와 멀티에이전트 투자 체계

• 급락 뉴스 직후 발생하는 감정적 매매까지 통제 대상으로 삼아, 사용자가 자연어로 매수를 강요하더라도 사전에 설정한 전투 규칙을 위반하면 주문을 거절하도록 설계한다. [39:41]
• 향후에는 단일 트레이딩 에이전트에 거시경제와 정량 분석 담당 역할을 추가해 멀티에이전트 체계로 확장하고, 배당 투자 역시 주기적인 서사 리서치와 파이썬 기반 포트폴리오 최적화로 자동화할 수 있다는 방향을 제시한다. [41:17]

🧾 결론

• 핵심은 처음부터 복잡한 멀티에이전트 시스템을 만드는 것이 아니라, 반복 패턴과 경계가 명확한 업무 하나를 단일 에이전트에 맡기는 것이다.
• 자동화 품질은 강한 모델만으로 결정되지 않는다. 제한된 데이터 출처, 목적별 도구, 기존 성과 자료, 개인의 수정 피드백을 지속해서 축적해야 결과가 사용자 방식에 가까워진다.
• 뉴스 선별, 게시, 이메일 발송, 금융 주문처럼 외부 영향이 큰 단계에는 사람의 승인 지점을 남겨 두고, 충분한 반복 검증을 거친 뒤에만 자동화 수준을 높이는 접근이 강조된다.
• 다섯 에이전트는 모든 일을 하나가 처리하는 구조가 아니라, 뉴스·회원·콘텐츠·이메일·투자라는 도메인별 책임을 분리해 관리 복잡도를 낮춘 사례다.
• 영상에서 언급된 글 품질 점수, 자동화 효과, 백테스트 준비 상태 등은 발표자의 경험과 설명에 기반한 수치이므로 객관적인 평가 기준과 재현 결과를 추가로 확인해야 한다.

📈 투자·시사 포인트

• 투자 자동화의 우선 가치는 높은 수익률을 약속하는 데 있기보다, 급락 뉴스나 충동적인 판단에 흔들리지 않도록 사전에 정한 매매 규칙을 일관되게 적용하는 데 있다.
• 거시경제·시장 서사와 정량 분석을 결합하고, 예측 변수가 많은 개별 종목보다 섹터와 ETF 중심으로 범위를 제한하면 분석 및 운영 절차를 더 명확하게 만들 수 있다는 관점이 제시된다.
• 주문 전에는 보유 잔고, 이전 주문, 장 운영 여부, 시장 분위기와 진입 조건을 순서대로 확인하고, 조건을 충족하지 못하면 거래를 중단하는 결정론적 안전장치가 필요하다.
• 트레이딩 에이전트가 실제 거래와 매매일지를 축적하면 전략별 성과와 손실 원인을 비교할 수 있지만, 실거래 확대 전에는 충분한 기간의 백테스트·모의투자·비용 및 슬리피지 반영이 필요하다.
• 인과 그래프와 온톨로지, 멀티에이전트 투자 체계가 판단을 개선할 가능성은 제시됐지만, 영상만으로 수익성·재현성·위험 통제 능력이 입증된 것은 아니다.
• 미국 기관의 유사 자동화 활용 가능성과 한국 금융권의 도입 수준은 영상에서도 추정 또는 불확실한 내용으로 언급되므로, 실제 도입 사례와 규제 환경을 별도로 검증해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• KMSG가 스위프트 기반이라는 설명은 영상에서도 추정으로 제시됐다. 실제 구현 언어, 지원 운영체제, 설치 방식과 카카오톡 권한 범위는 별도 확인이 필요하다. [17:21]
• 카카오톡 ‘나에게 보내기’의 200자 제한이 어떤 API·도구·메시지 유형에 적용되는지는 영상만으로 확정하기 어렵다. 현재 정책과 KMSG의 실제 전송 한도도 확인해야 한다. [18:29]
• 글 품질이 50점에서 80~90점대로 향상된다는 평가는 구체적인 평가표, 비교 표본, 외부 평가 결과가 제시되지 않은 주관적 수치다. [25:11] [25:24] [26:04]
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 뉴스 큐레이션·회원 관리·이메일 초안처럼 반복 패턴이 명확한 업무 하나를 선정하고, 입력·출력·실행 주기·사람의 승인 지점을 문서화한다.
• 성과가 좋았던 콘텐츠 약 10개를 모아 공통된 제목 구조, 도입 방식, 문장 톤과 전개 규칙을 추출한 뒤 새 세션에서 재현성을 시험한다. [26:34]
• 에이전트의 결과를 수정할 때 단순 재작성에 그치지 말고, 반복 적용할 규칙과 일회성 선호를 구분해 스킬과 메모리에 각각 반영한다.
• 외부 메시지 발송, 콘텐츠 게시, 회원 권한 변경에는 검수 체크리스트와 최종 승인 단계를 유지한다.

❓ 열린 질문

• 메모리에 축적된 피드백을 언제 결정론적 스킬 규칙으로 승격하며, 잘못 학습한 선호는 어떻게 수정하거나 삭제하는가?
• 큐레이션 품질은 클릭률, 공유율, 삭제 비율, 사용자 피드백 중 어떤 지표로 평가하는가?
• 콘텐츠 품질을 50점·85점·91점으로 평가할 때 사용한 구체적인 기준과 평가자는 누구인가?